Seite 1 ITyX Gruppe 2013
|
|
- Christin Pohl
- vor 7 Jahren
- Abrufe
Transkript
1 Seite 1
2 Track 1: Input Management Posteingang mit bunten Dokumenten (Papier, , Web & Social Media) Dr. Melanie Knapp, Maren Prox Seite 2
3 Gliederung des Workshops Textanalyse in Theorie und Praxis Impulsvortrag: Das Big Picture der Textanalyse Beispielszenario: Beschwerdemanagement Boxenstopp 1: Text Klassifikation Übung: Klassifizieren von Eingangspost Boxenstopp 2: Text Extraktion Übung: Extraktion von Kundendaten Boxenstopp 3: Text Validierung Übung: Validierung und Anreicherung von Kundendaten Seite 3
4 Das Big Picture der Textanalyse Was bewegt die Kunden? Angeblich drei mal Lieferung verpasst ohne ein Schreiben Anschrift konnte nicht gefunden werden Paket wird nicht ausgeliefert, sondern in Nachbars Garten gelegt Seite 4
5 Das Big Picture der Textanalyse Verschiedene Ansätze der Datenanalyse Seite 5
6 Das Big Picture der Textanalyse Verschiedene Ansätze der Datenanalyse Text Mining [ ] ist ein Bündel von Analyseverfahren, die die [ ] Entdeckung von Bedeutungsstrukturen aus un- oder schwachstrukturierten Textdaten ermöglichen soll. Mit statistischen und linguistischen Mitteln erschließt Text-Mining-Software aus Texten Strukturen, die die Benutzer in die Lage versetzen sollen, Kerninformationen aus den verarbeiteten Texten schnell zu erschließen. Text-Mining-Systeme liefern im Optimalfall Informationen, von denen Benutzer zuvor nicht wussten, dass sie existieren. (Wikipedia, ) Typische Herausforderungen:! Klassifikation! Zuweisung einer Kategorie auf Basis des gesamten Dokuments.! Informationsextraktion! Erkennung relevanter (struktureller bzw. semantischer) Informationen innerhalb eines Dokuments. Seite 6
7 Das Big Picture der Textanalyse Was erschwert die Analyse natürlicher Sprache? Umgangssprache Wir sind SOO Stolz was du geschafft hast! vollkrass :-) endlich wird #berlusconi eingebungat Komposita Donaudampfschifffartskapitän Gottseibeiuns Schadstofffreiheit Redensarten Schwein haben kalte Füße kriegen Gesicht verlieren das Handtuch werfen Neologismen Spinoff, Menschenmaterial Servicepoint, Entsorgungspark Politesse, Islamophobie Weltwissen Eva und Susi sind Schwestern. Eva und Susi sind Mütter. Ausgefallenen Namen Einstürzende Neubauten sangen Der Silver Mist fuhr gegen... Seite 7
8 Das Big Picture der Textanalyse Text Mining schafft Raum für wichtigere Aufgaben oder befreit sie im Alltag von (lästigen) Routine-Aufgaben? GOETHE INTERNET TEXT MINING Dokumente finden Lesen Verstehen Zusammenführen Agieren Seite 8
9 Das Big Picture der Textanalyse Wie erhält man die gewünschten Informationen? Traditioneller regelbasierter Ansatz erfordert menschliche Spezialisten, um das benötigte Wissen zu spezifizieren und zu formalisieren.! Manuelles "Wissens-Engineering" ist schwierig, zeitaufwändig und fehleranfällig.! Regel haben vielfältige Ausnahmen.! Manuell entwickelte Regelwerke haben begrenzte Fähigkeiten und sind nicht robust (empfindlich gegen kleine Änderungen). Seite 9
10 Das Big Picture der Textanalyse Maschinelles Lernen! Trainingsmenge: Eine Sammlung von Dokumenten, welche schon mit den gewünschten Labeln annotiert wurden, z.b. Klassenname.! Maschinelles Lernen: Verwendet Methoden der Statistik, um die relevante Information automatisch aus der Trainingsmenge zu extrahieren! Training! Anwendung des Modells auf ein neues Dokument: Prognostiziert gewünschte Annotationen! Prognose!"#$%$%&'() *+%&+),-.+//) %+0+') 1-20*+%3) Prognose Training 1-20*+%3)4) 5%%-3#6-%) Seite 10
11 Beispielszenario: Beschwerdemanagement Datenbeschaffung Ziel: Aufbau eines Beispielszenarios, in dem eingehende Beschwerden kategorisiert und die Kundendaten extrahiert sowie validiert werden Vorbereitungsschritte:! Auswahl eines Unternehmens! Contex crawlt Beschwerden des Unternehmens Seite 11
12 Boxenstop 1: Text Klassifikation Gliederung der Übungseinheit Übungsschritte:! Erstellen einer Trainingsmenge! Trainieren eines Modells! Interpretation der Performanz des Modells! Produktiveinsatz des Modells Seite 12
13 Boxenstop 1: Text Klassifikation Ist das eine Beschwerde? Ihr Fahrer in unserem Gebiet ist unverantwortlich. Kein Zustellversuch, keine Nachricht. Der legt unser Paket einfach in Nachbars Garten, die Nachbarin hat es nach Tagen dort per Zufall gefunden. Das ist wirklich das Allerletzte! Es ist unglaublich. Erst konnte ilogistics meine/ unsere Adresse nicht finden, nun kommen gar keine Pakete mehr an und gehen immer weiter an den Absender zurück. Dies ist zum dritten Mal passiert. Seite 13
14 Übung Erstellen einer Trainingsmenge Checkliste Trainingsmenge! keine Duplikate in verschiedenen Kategorien! keine mehrsprachigen Dokumente! keine handschriftlichen Dokumente! keine falsche Klassenzuordnung! gut abgrenzbare Klassen! gute Repräsentativität der Produktivdaten Seite 14
15 Boxenstop 1: Text Klassifikation Warum sollte man Textklassifikatoren trainieren?! Manuelle Klassifikation ist teuer und skaliert nicht gut.! Manuell konstruierte Klassifikationsregeln haben oft keine ausreichende Genauigkeit.! Synonyme, viele äquivalente Formulierungen! Manchmal ist kein Experte verfügbar.! Trainingsdaten sind oft billig Seite 15
16 Boxenstop 1: Text Klassifikation Gliederung der Übungseinheit Übungsschritte:! Erstellen einer Trainingsmenge! Trainieren eines Modells! Interpretation der Performanz des Modells! Produktiveinsatz des Modells Seite 16
17 Boxenstop 1: Text Klassifikation Repräsentation der Dokumente im Bag-of-Word Modell Repräsentation eines Textes als Vektor mit Wortfrequenzen in einem n -dimensionalen Vektorraum x x 2 Bundeskanzler Schalke BSE nach die... = x 1 Seite 17
18 Boxenstop 1: Text Klassifikation Mathematische Beschreibung der Klassifikationsaufgabe Aufgabe: Lerne Kategorien aus Daten Eingabe: x i =(x i,1,, x i,100 ), x j : Wort j in Text i Ausgabe: y i ={yes,no} e.g. Sport / kein Sport Funktion: y i =f(x i,1,, x i,100 ) x 1 x 2 x 3 Sport nein Auto - - nein - Geld - nein Auto Geld - nein - - Spieler j a Auto - Spieler j a - Geld Spieler j a Auto Geld Spieler? Seite 18
19 Boxenstop 1: Text Klassifikation Klassifikation: Support Vector Machine Dokumente der Zielklasse Dokumente der alternativen Klasse Kategorie 2 Kategorie 1 Abstand zur Ebene = Reliability Seite 19
20 Boxenstop 1: Text Klassifikation Gliederung der Übungseinheit Übungsschritte:! Erstellen einer Trainingsmenge! Trainieren eines Modells! Interpretation der Performanz des Modells! Produktiveinsatz des Modells Seite 20
21 Boxenstop 1: Text Klassifikation Gütekriterien eines Modells 3 False Negatives (Beschwerden falsch als Kündigung klassifiziert) 5 True Positives (Beschwerden korrekt als Beschwerden klassifiziert) Klasse (Prognose) Beschwerde Kündigung Auftrag Beschwerde Klasse (Original) Kündigung Auftrag False Positives (Kündigungen falsch als Beschwerden klassifiziert) 17 True Negatives (alle übrigen Kategorien korrekt als nicht Beschwerde klassifiziert) Seite 21
22 Boxenstop 1: Text Klassifikation Performanzmaße für ein Modell Klasse (Prognose) Beschwerde Kündigung Auftrag Fehlende Ergebnisse Klasse (Original) Beschwerde Kündigung Auftrag Recall BESCHWERDE = = 0,63 Precision BESCHWERDE = = 0,71 Unerwartete Ergebnisse Seite 22
23 Boxenstop 1: Text Klassifikation Gliederung der Übungseinheit Übungsschritte:! Erstellen einer Trainingsmenge! Trainieren eines Modells! Interpretation der Performanz des Modells! Produktiveinsatz des Modells Seite 23
24 Demo Trainieren eines Modells in Contex Seite 24
25 Boxenstopp 2: Text Extraktion Gliederung der Übungseinheit Übungsschritte:! Konfigurieren der Information Extraktion! Extrahieren von Kundendaten! Weiterverarbeitung von extrahieren Informationen Seite 25
26 Boxenstopp 2: Text Extraktion Extraktion von Informationen Kundennummer Vorname Nachname 7"8#''0%&) 5%#/9'+) :+$3+";+"#"<+$30%&) Seite 26
27 Boxenstopp 2: Text Extraktion Extraktion von Information Steuer-ID Antragsteller Semi-strukturiert Unstrukturiert Absender Kd.Nr. Datum Seite 27
28 Boxenstopp 2: Text Extraktion Extraktion von unstrukturierten Informationen Beispiel Reclabox! Name! Sendungsnummer! Datum! Wettbewerber Seite 28
29 Boxenstopp 2: Text Extraktion Verwendung von Information Extraktion Künstliche Intelligenz! Große Vision der KI: Erfasse die Bedeutungen in natürlicher Sprache! Neue Fortschritte in maschinellem Lernen und Linguistik Wirtschaft! Erfasse Daten und Informationen in unstrukturierten Texten! Kosteneffektive Verarbeitung von Informationen Seite 29
30 Demo Extraktion mit Contex (unstrukturiert und semistrukturiert) Seite 30
31 Boxenstopp 3: Text Validierung Gliederung der Übungseinheit Übungsschritte:! Rechtschreibprüfung und unscharfe Suche! Anreichern von extrahieren Informationen mit Stammdaten! Übergabe von angereicherte Informationen aus Mediatrix an Drittsysteme Seite 31
32 Demo Validieren und Anreichern im Verarbeitungsprozess Seite 32
OMNICHANNEL CAPTURE PLATFORM OCP
OMNICHANNEL CAPTURE PLATFORM OCP EINE LÖSUNG FÜR ALLE QUELLEN UND FORMATE POSTEINGANG INTELLIGENT AUTOMATISIEREN DIGITALE EINGANGSPOST AUTOMATISCH VERARBEITEN Täglich werden im INPUT MANAGEMENT Ihres Unternehmens
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrNamed Entity Recognition auf Basis von Wortlisten
Named Entity Recognition auf Basis von Wortlisten EDM SS 2017 Lukas Abegg & Tom Schilling Named Entity Recognition auf Basis von Wortlisten Lukas Abegg - Humboldt Universität zu Berlin Tom Schilling -
MehrDer Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche
Der Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche Photo by Bence Boros on Unsplash AGENDA Über uns Begrifflichkeiten: Machine Learning, KI & Cognitive Search
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrINFORMATIONSEXTRAKTION Computerlinguistik Referenten: Alice Holka, Sandra Pyka
INFORMATIONSEXTRAKTION 1 22.12.09 Computerlinguistik Referenten: Alice Holka, Sandra Pyka INFORMATIONSEXTRAKTION(IE) 1. Einleitung 2. Ziel der IE 3. Funktionalität eines IE-Systems 4. Beispiel 5. Übung
MehrMaschinelle Sprachverarbeitung
Maschinelle Sprachverarbeitung Übung Aufgabe 4: Regelbasiertes Named Entity Recognition Mario Sänger Informationsextraktionsworkflow Mario Sänger: Maschinelle Sprachverarbeitung - Übung, Wintersemester
MehrInformationsextraktion. Christoph Wiewiorski Patrick Hommers
Informationsextraktion Christoph Wiewiorski Patrick Hommers 1 Informationsextraktion(IE) - Einführung Ziel: Domänenspezifische Informationen aus freiem Text gezielt aufspüren und strukturieren Gleichzeitig
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Modellierung I WS 2010/2011 Manfred Pinkal Wortartinformation Wortartinformation ist eine wichtige Voraussetzung für die syntaktische Analyse. Woher kommt
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrWIE RWE UND SAMSUNG KUNDENKORRESPONDENZ PRÄZISE AUTOMATISIEREN
ITYX GRUPPE INTELLIGENTE AUTOMATISIERUNG BASIEREND AUF KÜNSTLICHER INTELLIGENZ (KI) WIE RWE UND SAMSUNG KUNDENKORRESPONDENZ PRÄZISE AUTOMATISIEREN Peter Macherey, seit 2006 bei der ITyX an Board, baute
MehrAutomatische Kategorisierung von Freitexten mittels Textanalyse am Beispiel von NPS Kundenzufriedenheitsumfragen
Automatische Kategorisierung von Freitexten mittels Textanalyse am Beispiel von NPS Kundenzufriedenheitsumfragen ISR Information Products AG Robin Richter Aufgabenstellung Evaluationsstrategie Modellierung
MehrMotivation. Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus
3. Klassifikation Motivation Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus Beispiel: Bestimme die Herkunft eines Autos
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
MehrOpinion Mining Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik 28.09.2011 Umut Yilmaz Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2 1. Einführung
MehrEinführung in die Computerlinguistik
Mehrdeutigkeit der Wortart Einführung in die Computerlinguistik Statistische Modellierung und Evaluation WS 2008/2009 Manfred Pinkal Sie haben in Moskau liebe genossen Sie haben in Moskau liebe Genossen
MehrKünstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX
Künstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX Künstliche Intelligenz Was ist Künstliche Intelligenz? KI und der Mensch: Miteinander oder Gegeneinander?
MehrEXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,
MehrH E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z
H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z 2 0 1 6 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L &
MehrGleiche Daten, unterschiedliche Erkenntnisziele?
Gleiche Daten, unterschiedliche Erkenntnisziele? Zum Potential vermeintlich widersprüchlicher Zugänge zur Textanalyse Universität Hamburg Evelyn Gius Jan Christoph Meister Janina Jacke Marco Petris Universität
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Modellierung WS 2011/2012 Manfred Pinkal Wortartinformation Wortartinformation ist eine wichtige Voraussetzung für die syntaktische Analyse. Woher kommt
MehrGeschriebene Sprache inhaltlich verstehen
Geschriebene Sprache inhaltlich verstehen Herausforderungen, Anwendungsmöglichkeiten, Potential IBM Developer Days 2014 Marcus Hassler, CEO & CTO econob GmbH 21.05.2014, Wien, AUT Informationssysteme Informationen
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrPraktikable Lösungsansätze unter Nutzung semantischer Technologien. Ulrich Bügel
What s in my Backyard? Workshop zur Nutzung von Ontologien für das UIS Baden-Württemberg 4.11.2008 Praktikable Lösungsansätze unter Nutzung semantischer Technologien Ulrich Bügel IITB, str. 1 76131 Karlsruhe,
MehrMaschinelle Übersetzung
Maschinelle Übersetzung Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com MÜ Ansätze Zwei Dimensionen: Verarbeitungstiefe Art der verwendeten Technik Seite 2 Verarbeitunstiefe Seite
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrSocial Media Analytics: Automatische Analyse von Hotelbewertungen
Social Media Analytics: Automatische Analyse von Hotelbewertungen - Anwendungsbericht bei HRS Hotel Reservation Service - Dr. Kornél Markó, Averbis GmbH Dr. Katrin Tomanek, Averbis GmbH Oliver Juwig, HRS
MehrKlassifikation von Textabschnitten
Klassifikation von Textabschnitten Am Beispiel von Stellenanzeigen (JASC - Job Ads Section Classifier) Gliederung 1. Einführung: Zu welchem Zweck machen wir das? 2. Klassifikation ein kurzer Überblick
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik Evaluation Annotation eines Goldstandard : Testkorpus mit der relevanten Zielinformation (z.b. Wortart) Automatische
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrData Science Made in Berlin Dr. Thomas Hoppe
Data Science Made in Berlin Dr. Thomas Hoppe Reales Problem der Klassifikation Smart Content durch Data Science Evaluation der Güte der Lösung Inspired by Drew Conway Datenaufbereitung Datenanalyse Social
MehrText-Mining: Klassifikation I - Naive Bayes vs. Rocchio
Text-Mining: Klassifikation I - Naive Bayes vs. Rocchio Claes Neuefeind Fabian Steeg 17. Juni 2010 Klassifikation im Text-Mining Klassifikation Textkategorisierung Naive Bayes Beispielrechnung Rocchio
MehrSupervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung
Informatik Pawel Broda Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung Diplomarbeit Ludwig Maximilian Universität zu München Centrum für Informations- und
MehrNeue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung
Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir
MehrSage 50c. Sage Contacts Sage Contact Add-In. Impressum Sage GmbH Emil-von-Behring-Str Frankfurt am Main
Sage 50c Sage Contacts Sage Contact Add-In Impressum Sage GmbH Emil-von-Behring-Str. 8-14 60439 Frankfurt am Main Copyright 2017 Sage GmbH Die Inhalte und Themen in dieser Unterlage wurden mit sehr großer
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrInhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume
4. Klassifikation Inhalt 4.1 Motivation 4.2 Evaluation 4.3 Logistische Regression 4.4 k-nächste Nachbarn 4.5 Naïve Bayes 4.6 Entscheidungsbäume 4.7 Support Vector Machines 4.8 Neuronale Netze 4.9 Ensemble-Methoden
MehrProjekt Maschinelles Lernen WS 06/07
Projekt Maschinelles Lernen WS 06/07 1. Auswahl der Daten 2. Evaluierung 3. Noise und Pruning 4. Regel-Lernen 5. ROC-Kurven 6. Pre-Processing 7. Entdecken von Assoziationsregeln 8. Ensemble-Lernen 9. Wettbewerb
MehrTrends und Thesen in der Kundenkommunikation
Trends und Thesen in der Kundenkommunikation Peter Zurflueh, Axel Schlender, Kodak Alaris Digital Natives kommunizieren viel, aber anders Self Service Generation Kodak Alaris Anforderungen an mittlere
MehrSAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH
SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH GERHARD SVOLBA COMPETENCE CENTER ANALYTICS WIEN, 17. NOVEMBER 2015 SAS CONTEXTUAL ANALYSIS 14.1 EIN BLICK IN DIE PRODUKTBESCHREIBUNG
MehrINFORMATIONSEXTRAKTION IN SUCHMASCHINEN
INFORMATIONSEXTRAKTION IN SUCHMASCHINEN S E M I N A R S U C H M A S C H I N E N S O M M E R S E M ESTER 2014 S T E FA N L A N G E R, C I S, U N I V E R S I TÄT M Ü N C H E N Schematische Architektur einer
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin:
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin: 26. 7. 2006 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrElektronische Korpora in der Lehre Anwendungsbeispiele aus der theoretischen 2 und / 27der. und der Computerlinguistik
Elektronische Korpora in der Lehre Anwendungsbeispiele aus der theoretischen und der Linguistics Department Ruhr-University Bochum 18.1.2011 DSPIN-Workshop Sprachressourcen in der Lehre Erfahrungen, Einsatzszenarien,
MehrDiskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
MehrProduktdatenmanagement. mit KI. Onedot AG Zürich, Dezember 2018
Produktdatenmanagement mit KI Onedot AG Zürich, Dezember 2018 Herausforderungen Mit was für Herausforderungen kämpfen Sie im Bereich Produktdaten? 1) Onboarding Lieferanten 6) Anpassungen Produktdatenmodell
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik WS 2/22 Manfred Pinkal Beispiel: Adjektive im Wahrig-Korpus Frequenzen in einem kleinen Teilkorpus: n groß - -
MehrIntelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
MehrSpecmate Auf Knopfdruck von Anforderungen zu Tests
Specmate Auf Knopfdruck von Anforderungen zu Tests Dr. Maximilian Junker at a Glance We are experts for: High quality RE & tests High quality methodology (e.g. MBSE) We offer: Audits & Continuous Quality
MehrMaschinelles Lernen I Einführung. Uwe Reichel IPS, LMU München 22. April 2008
Maschinelles Lernen I Einführung Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 22. April 2008 Inhalt Einführung Lernen Maschinelle Lernverfahren im Überblick Phonetische Anwendungsbeispiele
MehrMaschinelle Sprachverarbeitung Übung
Maschinelle Sprachverarbeitung Übung Aufgabe 3: SPAM-Klassifikation Mario Sänger Aufgabe Rund 50% des weltweiten Email-Verkehrs ist Spam* Spam- und Phishing-Mails stellen eines der größten Sicherheitsrisiken
MehrMathCoach. ein programmierbarer intelligenter web-basierter Mathematik-Tutor. Prof. Dr. Barbara Grabowski Jörg Herter Melanie Kaspar et al.
MathCoach ein programmierbarer intelligenter web-basierter Mathematik-Tutor Prof. Dr. Barbara Grabowski Jörg Herter Melanie Kaspar et al. HTW des Saarlandes University of Applied Sciences http://mathcoach.htw-saarland.de
Mehr1/19. Kern-Methoden zur Extraktion von Informationen. Sebastian Marius Kirsch Back Close
1/19 Kern-Methoden zur Extraktion von Informationen Sebastian Marius Kirsch skirsch@moebius.inka.de 2/19 Gliederung 1. Verfahren zur Extraktion von Informationen 2. Extraktion von Beziehungen 3. Maschinelles
MehrTEXTKLASSIFIKATION. WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini
TEXTKLASSIFIKATION WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini GLIEDERUNG 1. Allgemeines Was ist Textklassifikation? 2. Aufbau eines Textklassifikationssystems 3. Arten von Textklassifikationssystemen
MehrCANDIS automatisiert Ihre vorbereitende Buchhaltung
Empfohlen von Ihrem Steuerberater CANDIS automatisiert Ihre vorbereitende Buchhaltung Edles Design und ein völlig neues Softwaregefühl Eine Software, vor der Sie keine Berührungsängste haben müssen Ihre
MehrWENN DER KUNDENSERVICE-DESKTOP MITDENKT
ITYX GROUP KI-BASIERTE SERVICE DESK SOFTWARE WENN DER KUNDENSERVICE-DESKTOP MITDENKT KI im Kontext: Einleitung Nutzen von KI bei der Vorgangsbearbeitung (Case Management) ThinkOwl UI Klärung offener Fragen
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Musterlösung für das 7. Übungsblatt Aufgabe 1 Gegeben sei folgende Beispielmenge: Day Outlook Temperature Humidity Wind PlayTennis D1? Hot High Weak No D2 Sunny
MehrTrends Digitalisierung
Trends Digitalisierung Definition Digitalisierung Definition 1: Digitalisierung Unter Digitalisierung versteht man die Wirkung die von ihr ausgeht. Die Digitalisierung im Sinne dieser im Sprachgebrauch
Mehrd.classify 3.0 Vorgänge vereinfachen und automatisieren Leitwege beschleunigen
d.classify 3.0 Vorgänge vereinfachen und automatisieren Leitwege beschleunigen Kundenkorrespondenz, Belege, Fragebögen, Anfragen Die Kosten für die Sortierung, Zuordnung und Verarbeitung des täglichen
MehrGold-Pack: Häufig gestellte Fragen (FAQ)
Gold-Pack: Häufig gestellte Fragen (FAQ) Allgemeines Was ist im Gold-Pack enthalten? Ein 1g Goldbarren ist im 1-Monats Gold-Pack enthalten, ein 5g Goldbarren ist im 4- Monats Gold-Pack enthalten und ein
MehrVortrag im Rahmen der Veranstaltung Anwendungen 1
Vortrag im Rahmen der Veranstaltung Anwendungen 1 Thema: Workflow Optimierung, automatische Generierung von medizinischen Berichten unterstützt durch Regeln und semantische Annotationen. von Jan Kuhr Betreuer:
MehrInformationsextraktion aus Stellenanzeigen
Informationsextraktion aus Stellenanzeigen Die Entwicklung maschineller Verfahren zur Extraktion von Kompetenzen Institut für Linguistik Sprachliche Informationsverarbeitung, Alena Geduldig, Dr. Jürgen
MehrText Mining und Textzusammenfassung. Jürgen Kirkovits Doris Rongitsch Daniela Wagenhofer
Text Mining und Textzusammenfassung Jürgen Kirkovits Doris Rongitsch Daniela Wagenhofer Übersicht 1. Definition 2. Prozessablauf 3. Textzusammenfassung 4. Praxisbeispiel Definition Text Mining is the art
MehrQuestion Answering mit Support Vector Machines
Question Answering mit Support Vector Machines Sabrina Stehwien 30.01.2012 HS Information Retrieval Dozentin: Karin Haenelt Überblick 1. Question Answering Systeme 2. Das SAIQA-II QA-System 3. Support
MehrUniversität Ulm Abteilung Künstliche Intelligenz. ExtrAns. Verarbeitung natürlicher, schriftlicher Sprache. C. Bohnacker
UNIVERSITÄT ULM SCIENDO DOCENDO CURANDO Universität Ulm Abteilung Künstliche Intelligenz ExtrAns Verarbeitung natürlicher, schriftlicher Sprache C. Bohnacker Überblick Motivation Einleitung Eigenschaften
MehrTextmining Matthias Stöckl
Textmining 30.01.04 Matthias Stöckl 1. Einführung und Grundlagen 1. Einführung und Grundlagen Definition : Informationen, die sprachlich gegeben sind explizit zu machen um sie maschinell zu erschließen.
Mehr5 Möglichkeiten. für eine bessere Kundenanbindung bei Auftragsannahme PDF
5 Möglichkeiten für eine bessere Kundenanbindung bei Auftragsannahme PDF Es ist eine Tatsache, dass der Kundendienst der Schlüssel zur Kundenbindung ist. Die Art und Weise, wie Aufträge verarbeitet werden,
MehrKreditorenrechnungen schnell und kostengünstig erfassen
FormStar - Invoice Kreditorenrechnungen schnell und kostengünstig erfassen Klassifizierung von Rechnungen Extraktion von Kopf- und Positionsdaten Ermitteln rechnungsrelevanter Daten Querchecks zur OCR-Validierung
MehrSmart Data in Banken, Versicherungen und LegalTechs. Klaus Reichenberger Big-Data.AI-Summit 2018
Smart Data in Banken, Versicherungen und LegalTechs Klaus Reichenberger Big-Data.AI-Summit 2018 1 intelligent views gmbh Gründungsjahr: 1997 Ausgründung aus Fraunhofer Institut Führender Anbieter semantischer
MehrWebinar Kodak Alaris. Fallabschließende Klassifikation mit intelligenten, selbstoptimierenden und selbstlernenden Verfahren.
Fallabschließende Email Klassifikation mit intelligenten, selbstoptimierenden und selbstlernenden Verfahren. Meike Walther Klaus Timm Axel Schlender Ausgegliedert von Eastman Kodak UK Kodak Pension Plan
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 1. Übungsblatt 1 1. Anwendungsszenario Überlegen
MehrRingvorlesung Bildverarbeitung
Ringvorlesung Bildverarbeitung D. Schlesinger Institut für Künstliche Intelligenz, Professur Intelligente Systeme 6. Juli 2012 D. Schlesinger (Institut Ringvorlesung für Künstliche Bildverarbeitung Intelligenz,
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrDatenvorverarbeitung von nominalen Daten für Data Mining
Datenvorverarbeitung von nominalen Daten für Data Mining Entstanden 2004/2005 bei der T-Systems International GmbH unter Betreuung von Prof. Dr. J. Fürnkranz Seite 1 Gliederung Datenvorverarbeitung Prepared
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 1. Übungsblatt Aufgabe 1: Anwendungsszenario Überlegen Sie sich ein neues Szenario des klassifizierenden Lernens (kein
MehrDecision Tree Learning
Decision Tree Learning Computational Linguistics Universität des Saarlandes Sommersemester 2011 28.04.2011 Entscheidungsbäume Repräsentation von Regeln als Entscheidungsbaum (1) Wann spielt Max Tennis?
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrÜbersicht: Das steht im Berufswahl-Pass.
Übersicht: Das steht im Berufswahl-Pass. Einleitung Liebe Schülerin! Lieber Schüler! Seite 3 Dein Berufswahl-Pass Seite 5 So findest du den Weg in deine berufliche Zukunft Seite 6 Teil 1: Beratung für
MehrDie automatische Erschließung in der Deutschen Nationalbibliothek
1 40 Die automatische Erschließung in der Deutschen Nationalbibliothek 4./5. September 2018 Matthias Nagelschmidt Die automatische Erschließung in der Deutschen Nationalbibliothek 2 40 Die automatische
MehrData Mining in speziellen Daten und Data Mining Anwendungen
Data Mining in speziellen Daten und Data Mining Anwendungen Vortrag im Rahmen des Seminars Business Intelligence -Teil II: Data Mining & Knowledge Discovery Holger Klus 30.01.2004 Gliederung Text Mining
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrAkademisches Lehrmaterial online
Akademisches Lehrmaterial online Christian Weber cweber@akleon.de Entstanden im Rahmen des DFN-Projekts META-AKAD gefördert mit Mitteln des BMBF Mitwirkende an der TU Kaiserslautern Universitätsbibliothek
MehrGrundlagen und Definitionen
Grundlagen und Definitionen Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache. Kann
MehrKatharina Esau & Matthias Liebeck Gelsenkirchen, 28. Oktober Heinrich-Heine-Universität Düsseldorf
Verbindung manueller und automatisierter Inhaltsanalyse zur Erhebung von Argumentkomponenten in Online-Partizipationsverfahren: aktuelle Ergebnisse und Ausblick Katharina Esau & Matthias Liebeck Gelsenkirchen,
MehrVorlesung Wissensentdeckung
Vorlesung Wissensentdeckung Stützvektormethode Katharina Morik, Uwe Ligges 10.6.2010 1 von 40 Gliederung 1 Hinführungen zur SVM 2 Maximum Margin Methode Lagrange-Optimierung 3 Weich trennende SVM 2 von
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
Mehr, Data Mining, 2 VO Sommersemester 2008
Evaluation 188.646, Data Mining, 2 VO Sommersemester 2008 Dieter Merkl e-commerce Arbeitsgruppe Institut für Softwaretechnik und Interaktive Systeme Technische Universität Wien www.ec.tuwien.ac.at/~dieter/
MehrAnalyse von News-Artikeln
Projekt Big Data Abschlusspräsentation Analyse von News-Artikeln Sentimentanalyse mit Word2vec Raffael Diestel, Maike Schubert Inhalt Einleitung Ziele Realisierung Vorläufige Ergebnisse TODO Einleitung
MehrVorlesung Wissensentdeckung
Gliederung Vorlesung Wissensentdeckung Stützvektormethode 1 Hinführungen zur SVM Katharina Morik, Claus Weihs 26.5.2009 2 Maximum Margin Methode Lagrange-Optimierung 3 Weich trennende SVM 1 von 40 2 von
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
MehrData Mining und maschinelles Lernen
Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:
MehrBachelorarbeit im Fach Computerlinguistik Centrum für Informations- und Sprachverarbeitung LMU München Betreuerin: Dr.
München, 05.05.2014 Arnold Schlegel Bachelorarbeit im Fach Computerlinguistik Centrum für Informations- und Sprachverarbeitung LMU München Betreuerin: Dr. Desislava Zhekova 1 Inhaltsüberblick Hintergrund
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrMathe III. Garance PARIS. Mathematische Grundlagen III. Evaluation. 16. Juli /25
Mathematische Grundlagen III Evaluation 16 Juli 2011 1/25 Training Set und Test Set Ein fairer Test gibt an, wie gut das Modell im Einsatz ist Resubstitution: Evaluation auf den Trainingsdaten Resubstitution
MehrProseminar Linguistische Annotation
Proseminar Linguistische Annotation Ines Rehbein und Josef Ruppenhofer SS 2010 Ines Rehbein und Josef Ruppenhofer (SS10) Linguistische Annotation April 2010 1 / 22 Seminarplan I. Linguistische Annotation
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
Mehr